Nonparametric estimation of large covariance matrices with conditional sparsity
具有条件稀疏结构的大型协方差矩阵的非参数估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要仅说明一般协方差与因子结构，未明确宏观或金融场景，不足以归入相应因子细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
具有条件稀疏结构的大型协方差矩阵的非参数估计
- 研究问题
- 当高维协方差矩阵总体稠密、噪声协方差具有稀疏结构且因子载荷平滑变化时，如何进行非参数估计并获得一致性？
- 方法与思路
- 作者利用因子结构描述稠密部分，对随机噪声协方差施加稀疏性，并结合核加权估计与广义收缩处理平滑变化的载荷。
- 材料陈述的贡献
- 摘要称，在一定技术条件下得到估计方法的一致收敛性质及收敛率，并通过模拟和实证应用考察有限样本表现。
- 阅读关注点
- 应核对条件稀疏性的定义、因子数量与维度增长要求、载荷变化的索引，以及核带宽和收缩参数的选择方式。
- 阅读边界
- 仅据所给出版社摘要，技术条件、实证对象及数值表现均未说明；不能推断其适用于所有高维依赖结构或优于全部替代方法。
原文摘要
This paper studies estimation of covariance matrices with conditional sparse structure. We overcome the challenge of estimating dense matrices using a factor structure, the challenge of estimating large-dimensional matrices by postulating sparsity on covariance of random noises, and the challenge of estimating varying matrices by allowing factor loadings to smoothly change. A kernel-weighted estimation approach combined with generalised shrinkage is proposed. Under some technical conditions, we derive uniform consistency for the developed estimation method and obtain convergence rates. Numerical studies including simulation and an empirical application are presented to examine the finite-sample performance of the developed methodology.